У дисертації під назвою "Прогнозування стресу на основі глибокого навчання на основі зниженої стереолітографії (SLA) 3D", студент університету в Буффало на ім'я Адітья Прамод Хадлікар описує метод прогнозування розподілу напруги частин в 3D-друку SLA з використанням глибокої глибини рамки навчання. Структура складається з нової бази даних 3D-моделей, яка фіксує різні геометричні особливості, які можна знайти в реальних 3D частинах, а також "FE моделювання на 3D-моделях, що є в базі даних, що використовується для створення входів і відповідних міток (виходів) для навчання мережі DL. "
Кілька зразків тестували за допомогою CNN. Кілька частин з подібними поперечними перерізами на конкретному шарі досліджують для визначення розподілу напруг на певному шарі. Хадлікар і його колеги виявили, що різні частини певного шару, що мали однаковий поперечний переріз, мали різні розподіли напружень в цьому шарі.
Одним з важливих висновків є те, що CNN набагато швидше, ніж FEA моделювання. Набори даних створювали роботу ефективно, допомагаючи визначити такі параметри, як пік напруги та інформація, що залежать від попереднього шару, щоб визначити розподіл напруги над шаром. Модель навчання краще, ніж проста нейронна мережа, що використовується для прогнозування тиску.
